No segundo cenário de avaliação, um subconjunto específico de imagens do banco ETHZ [ELS+08, ELVG07] foi construído para trabalhar com cenas contendo grupos. O banco
possui diversas sequências de cenas com pessoas caminhando pelas ruas, sendo cada sequência capturada por um par de câmeras em movimento (doravante referenciadas por câmera A (esquerda) e câmera B (direita)). Esta configuração de câmeras (em heterogê- neas cenas) gera diversas variações na aparência dos indivíduos, assim como problemas
64
de iluminação e oclusão. Para demonstrar o potencial do modelo na re-identificação de grupos, primeiramente foi conduzido um experimento para re-identificação individual (como no cenário anterior) e, posteriormente, a melhoria das re-identificações foi observada no experimento com a informação de grupos.
O subconjunto utilizado foi montado selecionando pares (câmera A e B) de ima- gens/cenas esparsas em diversas sequências do banco ETHZ. Para cada par de cenas selecionado, a abordagem de detecção de grupos descrita na Seção 4.5 foi aplicada sobre a imagem da câmera B. Os grupos resultantes foram analisados manualmente e descartou- se aqueles cujos indivíduos que o formavam não apareciam na câmera A, afim de garantir que o usuário possa selecionar o modelo de cor do indivíduo na imagem de entrada - man- tendo o processo de avaliação do cenário anterior. O subconjunto final totaliza 141 grupos detectados, contendo 213 indivíduos (alguns compartilhando mais de um grupo) em 72 pares de cena.
Em uma aplicação envolvendo usuários há, ainda, outro fator a ser considerado: a correta re-identificação do indivíduo/grupo pode ocorrer em diferente espaço de tempo e/ou câmeras, onde o usuário validará que se trata do mesmo indivíduo buscado porém em outra pose, outro espaço de tempo ou sob outra iluminação, por exemplo. Logo, para este expe- rimento, os 72 pares de cenas foram analisados manualmente em busca de indivíduos e grupos que aparecessem repetidamente em diferentes cenas a fim de montar o conceito de listas de equivalências, permitindo que o indivíduo possa ser re-identificado por diferentes câmeras (ou na mesma câmera após significante espaço de tempo e/ou diferente ambi- ente) em todas suas ocorrências - sendo a primeira destas re-identificações considerada a correta durante a avaliação.
Nas listas de equivalências montadas, dentre os 213 indivíduos no conjunto de busca, 29 indivíduos aparecem pelo menos uma vez mais em outra cena. Destes 29, 2 indivíduos compartilham 6 IDs (aparecem 6 vezes no banco de imagens), 1 indivíduo com- partilha 5 IDs, 7 compartilham 3 IDs e 19 indivíduos compartilham 2 IDs. Já se tratando de grupos, o subconjunto contém 11 grupos equivalentes, onde 9 compartilham 2 IDs, 1 compartilha 3 IDs e 1 compartilha 6 IDs.
O detalhamento da construção do subconjunto utilizado, bem como lista de detec- ções e imagens selecionadas, encontra-se ao Apêndice A, Seção A.2. Já para detalhes e identificadores em cada lista de equivalência, refere-se o Apêndice A, Seção A.3.
Seguindo o mesmo processo do cenário anterior, para cada indivíduo no conjunto de busca (câmera B), foi apresentada ao usuário a cena em que o indivíduo aparecia no conjunto de entrada (câmera A) e solicitado que ao menos uma cor fosse selecionada para cada atributo tronco e pernas - cabeça continuou opcional. Cada assinatura definida pelo usuário, composta pelas cores médias de cada atributo, foi confrontada com cada um dos 213 indivíduos capturados na câmera B - que formaram a lista de candidatos (Seção 4.2). O limiar adaptativo modificado também foi utilizado neste cenário. A Figura 5.4 ilustra o
resultado da uma detecção de indivíduos no banco ETHZ: o pedestre de camisa azul e cal- ção cinza teve suas regiões selecionadas (a) e foi re-identificado corretamente na segunda posição do ranking (c). A Tabela 5.3 compila a taxa (em %) de acertos na re-identificação dos indivíduos através de seus modelos de cores neste cenário.
(a) (b) 17,321 (c) 18,138 (d) 18,621
Figura 5.4 – Ilustração dos resultados para re-identificação de um indivíduo utilizando o banco ETHZ. (a) imagem de entrada com as regiões selecionadas pelo usuário (câmera A) para geração do modelo de cores a ser buscado. (b-d) os 3 primeiros resultados - os menores erros na câmera B - com a associação correta na segunda posição do ranking (c) (redimensionados para efeitos de visualização).
Tabela 5.3 – Re-identificação de indivíduos no banco ETHZ: taxa de re-identificação cu- mulativa (em %) para melhores posições no ranking (mais semelhantes) dentre os 213 indivíduos.
Abordagem / Ranking r1 r2 r3 r4 Re-identificação do indivíduo 82,16 90,61 91,55 95,77
Como mostrado na Tabela 5.3, o modelo re-identificou 82,16% dos indivíduos no banco ETHZ em primeiro lugar, enquanto mais de 95% foram detectados até a quarta po- sição. A Figura 5.5 ilustra outros resultados obtidos nas re-identificações de indivíduos no banco ETHZ. A seleção feita pelo usuário na imagem de entrada é ilustrada na primeira co- luna, seguida pelas colunas correspondentes aos rankings resultantes da primeira a quarta posição. A correta re-identificação é destacada em amarelo.
Comparações com demais trabalhos de re-identificação não foram possíveis neste cenário. O estado da arte ([ZOW13a]) utiliza os bancos VIPeR e CUHK Campus. Nos demais trabalhos que utilizam o banco ETHZ (i.e. [FBP+10], [DSS+13] ou [WMZ+14]), a
configuração do banco é baseada na proposta por Schwartz e Davis [SD09], levando em consideração as anotações (crops) das pessoas já detectadas e relacionadas em diferen- tes quadros. Neste trabalho, o subconjunto do banco ETHZ foi construído selecionando cenas/quadros esparsos focando em avaliações single-shot e no contexto das pessoas na cena por inteiro, a fim de avaliar distâncias de proximidades/agrupamentos. E, sendo esta avaliação a razão do subconjunto de imagens montado, um segundo experimento foi rea- lizado para validar a melhoria nos resultados quando inclusa tal informação contextual de grupos.
66
Figura 5.5 – Resultados ilustrativos da re-identificação de indivíduos no banco de imagens ETHZ. Na primeira coluna, a seleção feita pelo usuário é mostrada. Os destaques em amarelo mostram a correta re-identificação e sua respectiva posição no ranking.
Utilizando o banco ETHZ e re-aproveitando as cores dos atributos de cada pessoa selecionadas pelo usuário na avaliação anterior, o segundo experimento utiliza a aborda- gem de detecção e re-identificação de grupos (descrita na Seção 4.5) para medir a taxa de re-identificação (através dos erros totais Sg) de cada grupo candidato no conjunto de busca,
gerando um ranking de semelhança em relação ao grupo buscado. A Figura 5.6(a-b) ilustra dois indivíduos na câmera A com suas respectivas regiões (que geraram os modelos de cores dos atributos) selecionadas pelo usuário. A Figura 5.6(c) mostra o grupo detectado na câmera B, com os indivíduos reconhecidos como um grupo. Abaixo de cada imagem é mostrada a posição no ranking obtida quando buscado somente pelos indivíduos (Fi- gura 5.6(a-b)) e quando por grupo (Figura 5.6(c)).
Para avaliar a melhoria obtida com a re-identificação de grupos em relação a re- identificação de indivíduos, calculou-se, para cada grupo, a posição média dos rankings de seus membros na re-identificação individual. A Figura 5.6 exemplifica esta avaliação: o indivíduo P1mostrado na Figura 5.6(a) foi classificado na primeira posição e, o indivíduo P2,
mostrado na Figura 5.6(b), na sexta. A posição média dos indivíduos do grupo é 3,5 (rank ≤ 4). Os mesmos indivíduos, quando buscados como um grupo, foram re-identificados na primeira posição (Figura 5.6(c), rank = 1). Fazendo uma analogia para “quantas imagens
(a) rank 1 (b) rank 6 (c) rank 1
Figura 5.6 – Ilustração de um resultado quando duas pessoas são buscadas individualmente e como um grupo. (a-b) ilustra as regiões selecionadas pelo usuário (câmera A), além da posição no ranking de cada pessoa quando buscadas individualmente contra o banco de imagens (213 indivíduos, câmera B). (c) ilustra o grupo re-identificado formado pelos mesmos indivíduos e sua posição no ranking de grupos (dentre os 141 grupos do banco, na câmera B).
precisam ser manualmente analisadas para visualizar os candidatos buscados”, pode-se afirmar que a informação do grupo ajudou significativamente a encontrar tais indivíduos.
A Tabela 5.4 sumariza as re-identificações de grupo e indivíduos no subconjunto do banco ETHZ, através do modelo apresentado. Devido à diferente abordagem para gru- pos e ao banco de imagens especificamente montado para este fim, comparações com outros trabalhos não são possíveis. Os trabalhos que avaliam grupos no problema de re- identificação ([ZGX09, ZGX14]) utilizam informação temporal com subtração de fundo para comparar seus descritores e técnicas de aprendizado para ponderar características mais relevantes, necessitando imagem prévia do grupo. Todavia, como ilustrado na Figura 5.6 e reiterado na Tabela 5.4, os experimentos demonstram que dois indivíduos são melhor classificados quando buscados em grupo.
Tabela 5.4 – Resultados obtidos no subconjunto do ETHZ considerando as melhorias na identificação do grupo versus a re-identificação de indivíduos (melhores classificações cu- mulativas (em %) para os 141 grupos e 213 indivíduos). A primeira linha mostra os resulta- dos para a re-identificação de grupos, enquanto a segunda linha sumariza a classificação média quando buscadas individualmente as pessoas de cada grupo (sem a informação contextual do grupo).
Abordagem / Ranking r1 r2 r3 r4 Re-identificação do grupo 82,26 92,90 96,45 98,58 Re-identificação individual (média)
dos membros do grupo 70,92 85,10 93,61 97,12
Como visto nesse cenário, a re-identificação de indivíduos apresentou uma taxa de 95,77% de acertos (Tabela 5.3) até a quarta posição do ranking no banco ETHZ, constatando-
68
se ainda que a informação de alto nível dos grupos pode melhorar a re-identificação, atin- gindo 98,58% até a mesma posição (Tabela 5.4).
Para melhor ilustração das re-identificações de grupos, a Figura 5.7 mostra re- sultados adicionais obtidos durante este experimento. As seleções feitas pelo usuário na imagem de entrada (na mesma cena, porém com indivíduos recortados para melhor visua- lização) são ilustradas na primeira e segunda colunas. Demais colunas correspondem aos rankings resultantes da primeira a quarta posição, sendo a correta re-identificação desta- cada em amarelo.
Figura 5.7 – Resultados ilustrativos da re-identificação de grupos no banco de imagens ETHZ. Na duas primeiras colunas, as seleções feitas pelo usuário para cada indivíduo do grupo é mostrada. Os destaques em amarelo mostram a correta re-identificação e sua respectiva posição no ranking.
Ao fim destes cenários, conclui-se que o modelo apresentado neste trabalho é capaz de re-identificar o “suspeito de ‘boné branco’ e ‘jaqueta preta’ que andava junto ao indivíduo de ‘camisa vermelha’ ” buscado a partir da descrição e organização dos atributos soft-biométricos.
No próximo capítulo são apresentadas as conclusões finais e sugestões para pos- síveis trabalhos futuros.
6.
CONSIDERAÇÕES FINAIS
Este trabalho apresentou um modelo para a re-identificação de pessoas e grupos baseado em características soft-biométricas. O modelo utiliza definições manuais de cores - inicializadas por uma imagem do suspeito ou mesmo imagens de qualquer origem - para criar uma assinatura de cores da(s) pessoa(s) buscada(s), organizando-as semanticamente em atributos dentro de um modelo de corpo 2D. As possíveis instâncias do suspeito em outras imagens são classificadas de acordo com as menores diferenças de cores entre seus atributos.
Na etapa inicial, a não necessidade de aprendizado dos descritores a serem bus- cados (uma vez que informados pelo usuário) possibilita que o modelo seja distribuído como aplicação para o usuário final, que poderá fazer consultas em seu banco de imagens da forma que lhe for necessário, selecionando cores salientes ou predominantes, com ou sem informações de grupos.
Para definir o cálculo de diferença entre as cores, foi elaborado um estudo uti- lizando quatro espaços de cores e diferentes medidas de distância de similaridade. Os melhores resultados foram obtidos utilizando o espaço Lab e a distância ∆E94. Elaborou-se
também neste trabalho um aperfeiçoamento para a técnica de obtenção do limiar baseado em análise de histograma [JJDJ+10] em conjunto com o autor do trabalho original, automa-
tizando a segmentação das cores semelhantes.
Resultados experimentais demonstram que a abordagem baseada em característi- cas descritivas de cores, quando semanticamente organizadas em atributos soft-biométricos, podem levar a re-identificação do suspeito buscado. A introdução da informação de grupos corrobora a afirmação de Zheng e equipe [ZGX14], incrementando a taxa de re-identificação e diminuindo a ambiguidade dos resultados.
Responde-se, então, a questão de pesquisa: é possível recuperar de uma ima- gem informações classificadas como “boné branco”, “jaqueta preta” e “camiseta vermelha”, levando à re-identificação de quem as porta. Tais atributos soft-biométricos puderam ser estimados a partir da detecção de pessoas e medidas de distância de cores que indicaram a correspondência entre as descrições. O agrupamento entre os indivíduos também foi fator contribuinte para satisfatória re-identificação dos suspeitos.
Tomando em consideração o estado corrente da pesquisa e o leque aberto para contribuições, observa-se a viabilidade de trabalhos futuros que agregariam valor ao traba- lho implementado. Lista-se, por ordem de prioridade estimada, possíveis trabalhos futuros, estando o primeiro item já sob investigação:
• melhorias na segmentação - grande parte dos erros na re-identificação se deve à corrente abordagem considerar pixels de fundo durante a segmentação. Sendo pos-
70
sível eliminar - ou minimizar - a presença destes pixels, estima-se que a taxa de re- identificação seja incrementada significativamente;
• grupos com mais de duas pessoas - propriedades associativas na formação de gru- pos, assim como possíveis análises de diferentes composições destes sem a informa- ção temporal podem ajudar na triagem de resultados;
• utilização de texturas - tornar possível que o usuário selecione uma textura ao invés de uma cor média pode melhorar a taxa de re-identificação; novos desafios na seleção e na comparação da textura se farão presentes nesta implementação; e
• permitir a entrada de dados por descrição textual - estudar a viabilidade de imple- mentar uma entrada de dados interpretando informações textuais como, por exemplo “camiseta vermelha”, introduzindo elementos de inteligência artificial à abordagem.
Conclui-se que, de modo geral, o modelo definido pôde atingir os objetivos deste trabalho e, por ser modularmente customizável, abre diversas oportunidades para expansão e melhorias futuras.
No Apêndice B são apresentadas as publicações obtidas e submetidas durante o curso de mestrado e desenvolvimento deste trabalho.
REFERÊNCIAS BIBLIOGRÁFICAS
[AHP06] Ahonen, T.; Hadid, A.; Pietikainen, M. “Face description with local binary patterns: Application to face recognition”, Pattern Analysis and Machine Intelligence, IEEE Transactions on, vol. 28–12, 2006, pp. 2037–2041.
[AJKA10] Agarwal, M.; Jain, N.; Kumar, M.; Agrawal, H. “Face recognition using eigen faces and artificial neural network”, International Journal of Computer Theory and Engineering, vol. 2–4, 2010, pp. 1793–8201.
[AKB+08] Allaire, S.; Kim, J. J.; Breen, S. L.; Jaffray, D. A.; Pekar, V. “Full orientation
invariance and improved feature selectivity of 3d sift with application to medical image analysis”. In: Computer Vision and Pattern Recognition Workshops, 2008. CVPRW’08. IEEE Computer Society Conference on, 2008, pp. 1–8. [ASS+12] Achanta, R.; Shaji, A.; Smith, K.; Lucchi, A.; Fua, P.; S usstrunk, S.
“SLIC Superpixels Compared to State-of-the-art Superpixel Methods”, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 34–11, 2012, pp. 2274 – 2282.
[AZ08] Arandjelovic, O.; Zisserman, A. “Crowd detection from still images.” In: BMVC, 2008, pp. 1–10.
[BCBT10] Bak, S.; Corvee, E.; Brémond, F.; Thonnat, M. “Person re-identification using spatial covariance regions of human body parts”. In: Advanced Video and Signal Based Surveillance (AVSS), 2010 Seventh IEEE International Conference on, 2010, pp. 435–440.
[BGS14] Bedagkar-Gala, A.; Shah, S. K. “A survey of approaches and trends in person re-identification”, Image and Vision Computing, vol. 32–4, 2014, pp. 270–286. [BHW11] Brown, M.; Hua, G.; Winder, S. “Discriminative learning of local image
descriptors”, Pattern Analysis and Machine Intelligence, IEEE Transactions on, vol. 33–1, 2011, pp. 43–57.
[BTVG06] Bay, H.; Tuytelaars, T.; Van Gool, L. “Surf: Speeded up robust features”. In: Computer Vision–ECCV 2006, Springer, 2006, pp. 404–417.
[BVM08] Busin, L.; Vandenbroucke, N.; Macaire, L. “Color spaces and image segmentation”, Advances in imaging and electron physics, vol. 151, 2008, pp. 65–168.
[CCS+11] Cheng, D. S.; Cristani, M.; Stoppa, M.; Bazzani, L.; Murino, V. “Custom pictorial
72
[CG99] Cai, J.; Goshtasby, A. “Detecting human faces in color images”, Image and Vision Computing, vol. 18–1, 1999, pp. 63–75.
[Cho14] Choudhury, A. K. R. “Principles of Colour and Appearance Measurement: Volume 2: Visual Measurement of Colour, Colour Comparison and Management”. Woodhead Publishing, 2014.
[CJSW01] Cheng, H.-D.; Jiang, X.; Sun, Y.; Wang, J. “Color image segmentation: advances and prospects”, Pattern recognition, vol. 34–12, 2001, pp. 2259–2281.
[CV95] Cortes, C.; Vapnik, V. “Support-vector networks”, Machine learning, vol. 20–3, 1995, pp. 273–297.
[DAL12] Du, Y.; Ai, H.; Lao, S. “Evaluation of color spaces for person re-identification”. In: Pattern Recognition (ICPR), 2012 21st International Conference on, 2012, pp. 1371–1374.
[DD01] Dayhoff, J. E.; DeLeo, J. M. “Artificial neural networks”, Cancer, vol. 91–S8, 2001, pp. 1615–1635.
[DJLW08] Datta, R.; Joshi, D.; Li, J.; Wang, J. Z. “Image retrieval: Ideas, influences, and trends of the new age”, ACM Computing Surveys (CSUR), vol. 40–2, 2008, pp. 5.
[DSH+09] Dreuw, P.; Steingrube, P.; Hanselmann, H.; Ney, H.; Aachen, G. “Surf-face:
Face recognition under viewpoint consistency constraints.” In: BMVC, 2009, pp. 1–11.
[DSS+13] Dutra, C. R.; Schwartz, W. R.; Souza, T.; Alves, R.; Oliveira, L. “Re-identifying
people based on indexing structure and manifold appearance modeling”. In: Graphics, Patterns and Images (SIBGRAPI), 2013 26th SIBGRAPI-Conference on, 2013, pp. 218–225.
[DT05] Dalal, N.; Triggs, B. “Histograms of oriented gradients for human detection”. In: Computer Vision and Pattern Recognition, 2005. CVPR 2005. IEEE Computer Society Conference on, 2005, pp. 886–893.
[DTS06] Dalal, N.; Triggs, B.; Schmid, C. “Human detection using oriented histograms of flow and appearance”. In: Computer Vision–ECCV 2006, Springer, 2006, pp. 428–441.
[EG09] Enzweiler, M.; Gavrila, D. M. “Monocular pedestrian detection: Survey and experiments”, Pattern Analysis and Machine Intelligence, IEEE Transactions on, vol. 31–12, 2009, pp. 2179–2195.
[ELS+08] Ess, A.; Leibe, B.; Schindler, K.; ; van Gool, L. “A mobile vision system for robust
multi-person tracking”. In: IEEE Conference on Computer Vision and Pattern Recognition, 2008, pp. 1–8.
[ELVG07] Ess, A.; Leibe, B.; Van Gool, L. “Depth and appearance for mobile scene analysis”. In: 11th IEEE International Conference on Computer Vision, 2007, pp. 1–8.
[FBP+10] Farenzena, M.; Bazzani, L.; Perina, A.; Murino, V.; Cristani, M. “Person re-
identification by symmetry-driven accumulation of local features”. In: Computer Vision and Pattern Recognition (CVPR), 2010 IEEE Conference on, 2010, pp. 2360–2367.
[FC54] Farley, B.; Clark, W. “Simulation of self-organizing systems by digital computer”, Information Theory, IRE Professional Group on, vol. 4–4, 1954, pp. 76–84. [Fis99] Fisher, R. “Change detection in color images”. In: Proceedings of 7th IEEE
Conference on Computer Vision and Pattern, 1999.
[FMI83] Fukushima, K.; Miyake, S.; Ito, T. “Neocognitron: A neural network model for a mechanism of visual pattern recognition”, Systems, Man and Cybernetics, IEEE Transactions on, –5, 1983, pp. 826–834.
[FS95] Freund, Y.; Schapire, R. E. “A desicion-theoretic generalization of on-line learning and an application to boosting”. In: Computational learning theory, 1995, pp. 23–37.
[GBT07] Gray, D.; Brennan, S.; Tao, H. “Evaluating appearance models for recognition, reacquisition, and tracking”. In: IEEE International Workshop on Performance Evaluation for Tracking and Surveillance, 2007, pp. 1 – 7.
[GCLH14] Gong, S.; Cristani, M.; Loy, C. C.; Hospedales, T. M. “The re-identification challenge”. In: Person Re-Identification, Springer, 2014, pp. 1–20.
[GH92] Gauch, J. M.; Hsia, C. W. “Comparison of three-color image segmentation algorithms in four color spaces”. In: Applications in optical science and engineering, 1992, pp. 1168–1181.
[Goo12] Goodman, T. M. “International standards for colour”. In: Colour Design - Theories and Applications, Best, J. (Editor), Woodhead Publishing, 2012, pp. 177 – 218.
[HAMJ02] Hsu, R.-L.; Abdel-Mottaleb, M.; Jain, A. K. “Face detection in color images”, Pattern Analysis and Machine Intelligence, IEEE Transactions on, vol. 24–5, 2002, pp. 696–706.
74
[HBRB11] Hirzer, M.; Beleznai, C.; Roth, P. M.; Bischof, H. “Person re-identification by descriptive and discriminative classification”. In: Image Analysis, Springer, 2011, pp. 91–102.
[Heb49] Hebb, D. “The organization of behavior: A neuropsychological theory”, 1949. [HS88] Harris, C.; Stephens, M. “A combined corner and edge detector.” In: Alvey vision
conference, 1988, pp. 50.
[ITM01] Imai, F. H.; Tsumura, N.; Miyake, Y. “Perceptual color difference metric for complex images based on mahalanobis distance”, Journal of Electronic Imaging, vol. 10–2, 2001, pp. 385–393.
[JDN04] Jain, A. K.; Dass, S. C.; Nandakumar, K. “Can soft biometric traits assist user recognition?” In: Defense and Security, 2004, pp. 561–572.
[JG09] Juan, L.; Gwun, O. “A comparison of sift, pca-sift and surf”, International Journal of Image Processing (IJIP), vol. 3–4, 2009, pp. 143–152.
[JJDJ+10] Jacques Junior, J. C. S.; Dihl, L.; Jung, C.; Thielo, M.; Keshet, R.; Musse,
S. “Human upper body identification from images”. In: 17th IEEE International Conference on Image Processing, 2010, pp. 1717–1720.
[JJJRM14] Jacques Junior, J. C. S.; Jung, C.; R.; Musse, S. “Head-shoulders human contour estimation in still images”. In: 21th IEEE International Conference on Image Processing, 2014, pp. 278–282.
[JJMJ10] Jacques Junior, J. C. S.; Musse, S. R.; Jung, C. R. “Crowd analysis using computer vision techniques”, Signal Processing Magazine, IEEE, vol. 27–5, 2010, pp. 66–77.
[Jol05] Jolliffe, I. “Principal component analysis”. Wiley Online Library, 2005.
[JZ08] Jia, H.-X.; Zhang, Y.-J. “Human detection in static images”, Pattern Recog. Tech. App.: Recent Advances, vol. 1, 2008, pp. 227–243.
[KGT05] Kong, D.; Gray, D.; Tao, H. “Counting pedestrians in crowds using viewpoint invariant training.” In: BMVC, 2005.
[KJK02] Kim, K. I.; Jung, K.; Kim, H. J. “Face recognition using kernel principal component analysis”, Signal Processing Letters, IEEE, vol. 9–2, 2002, pp. 40– 42.
[KS04] Ke, Y.; Sukthankar, R. “Pca-sift: A more distinctive representation for local image descriptors”. In: Computer Vision and Pattern Recognition, 2004. CVPR 2004. Proceedings of the 2004 IEEE Computer Society Conference on, 2004, pp. II– 506.
[LGL14] Liu, C.; Gong, S.; Loy, C. C. “On-the-fly feature importance mining for person re-identification”, Pattern Recognition, vol. 47–4, 2014, pp. 1602–1615.
[LHG12] Layne, R.; Hospedales, T.; Gong, S. “Person re-identification by attributes”. In: Proceedings of the British Machine Vision Conference, 2012, pp. 24.1–24.11. [Lin98] Lindeberg, T. “Feature detection with automatic scale selection”, International
journal of computer vision, vol. 30–2, 1998, pp. 79–116.
[LM01] Luccheseyz, L.; Mitray, S. “Color image segmentation: A state-of-the-art survey”, Proceedings of the Indian National Science Academy (INSA-A). Delhi, Indian: Natl Sci Acad, vol. 67–2, 2001, pp. 207–221.
[LM02] Lienhart, R.; Maydt, J. “An extended set of haar-like features for rapid object detection”. In: Image Processing. 2002. Proceedings. 2002 International Conference on, 2002, pp. I–900.
[Low99] Lowe, D. G. “Object recognition from local scale-invariant features”. In: